Deeplearning4j 实战 （18）：基于DQN的强化学习在自定义迷宫游戏问题中的建模

Eclipse Deeplearning4j GitChat课程：https://gitbook.cn/gitchat/column/5bfb6741ae0e5f436e35cd9f
Eclipse Deeplearning4j 系列博客：https://blog.csdn.net/wangongxi
Eclipse Deeplearning4j Github：https://github.com/eclipse/deeplearning4j

在之前写的博客系列中，我们已经有谈到关于强化学习的相关内容。具体来讲，当时是基于RL4j并结合OpenAI提供的Gym这个开源的强化学习工具来训练了一个可以玩Cartpole游戏的DQN模型。由于Cartpole问题中的建模要素都是由Gym来提供的，因此除非debug源码，否则是无法了解这个问题涉及的action space以及state space。进一步，如果想结合自身的业务来使用强化学习模型，则需要自定义这些要素，因此我们用这篇文章的案例来说明下如何基于RL4j来自定义强化学习问题。为了方便给出最终的效果，我们依然选择做一个简单的游戏，而不是实际业务比如推荐、广告和搜索这样相对抽象的应用。我们通过Java Swing构建游戏的界面，通过RL4j训练DQN模型来连续预测游戏中agent采取的每一步从而完成这个游戏。下面我们就从四个方面来具体说下。

问题描述

我们构建一个类似于迷宫的问题，事先设定好陷阱（用一个地雷的图片来表示）以及最终的目标（用一个公主的图片来表示）。我们的勇士（用樱木花道的图片来表示）充当的是强化学习中agent的角色。游戏的目的是勇士可以通过离线的学习来掌握拯救公主的路线，并且一路上不能掉到陷阱中，一旦落入陷阱或者说踩雷了，那么游戏就结束了。如果勇士一路上畅通无阻并且最终达到了公主所在的位置，那么我们就认为游戏成功完成了。在玩游戏的过程中，我们每次可以给勇士不同的初始位置，以此来观察勇士的在不同初始state下的表现。为了便于说明问题，我们将游戏的环境设置成一个10*10的类似棋盘的界面，每次勇士可以上、下、左、右进行移动，每次只能移动一个格子。这就是我们构建的这个勇士拯救公主的简单游戏的背景。

需要说明一下的是，我们做这样的简单的游戏并不是为了应用于实际的生产环境中，毕竟没有人会喜欢这样简单的游戏。而且从算法实现上看，在已经明确终点和陷阱的前提下，我们基于回溯的思想可以很方便的找到一条甚至是所有的成功路径，因此成功完成这个游戏并不是我们的最终目的，我们希望通过这个案例让大家明确如何基于RL4j这样的框架自定义一个强化学习问题，而不是只能依赖于Gym等第三方环境（第三方工具虽然设计得很好，但是不一定契合自身的业务）。另一方面则是可以通过这个例子，让大家了解到强化学习问题中奖赏塑形、action/state space定义过程这些细节，因为只有明确了这些，才可以应用到自身的业务中以及直观地了解到强化学习的特点。

Deep Q-learning（DQN）回顾

我们首先来回顾一下强化学习的一些基本知识。区别于监督学习，强化学习是一种支持连续不断做出决策的算法。一般的，我们可以基于马尔科夫决策过程（Markov Decision Process, MDP）的框架做多步强化学习的决策，也可以基于一些Bandit算法，如eplison-greedy、UCB以及Tompson采样等等做单步最大化的强化学习。这一分类方式详见周志华西瓜书关于强化学习一章的描述。这里我们重点说的是多步强化学习。
结合MDP的框架，我们说明下强化学习的一些基本要素，主要有Environment、State、Reward以及Action。对于具备做出智能决策的智慧体，具体来讲也就是可以做出Action选择的模型，我们可以称之为agent。agent是处在Environment中的一个具体的State下（实际问题中，State和Environment的关系可以是一致的，即State=Environment，当然也可以是独立或者不完全相等），根据以往经验，agent在action space中做出选择。这个具体的action会获得一定的reward或者说是future reward。与此同时，action被执行后，对Environment会产生一定的影响，State的状态也会发生迁移。
对于State的转移如果是已经明确的一个概率分布，那么我们可以称之为Model-Based的RL问题，否则就是Model-Free的RL问题。在Model-Free的RL问题中，我们可以采用蒙特卡洛算法以及时间差分算法（Temporal-Difference，简称TD）。TD算法中比较常见的有Q-learning、Sarsa等等。Deep Q-Network是神经网络与Q-learning结合的一种新形式，也属于TD算法的范畴。
Q-learning的核心其实是如何更新State-Action所构成的一张二维表格，也称之为Q表。

在初始化的时候，我们可以全部置为0。那么接下来的动作，就是通过不断的选择action，并且根据拿到的reward来更新这张Q表。这样就是强化学习学习试错的过程。我们根据如下算法来更新Q表。

这张图从周莫烦的强化学习视频课程中截取的，有兴趣的同学可以去看下他的课程，个人觉得还是很通俗易懂的。
经过不断的更新Q表中的值，我们可能最终可以得到这样的一张表。

可以看到这时候Q表中的值已经被更新了，不再是初始化时候的状态了。举个具体的例子来说，当我们处于State1的状态的时候，我们采用eplison-greedy算法（这个算法的详情请自行查阅相关资料）选择一个action，也就是在Action1和Action2中选择一个，大概率会选择Action2，因为它的Q-value比较大。
我们进一步分析下这个Q表。从另一个角度讲，Q表表示的其实是Action Space和State Space这两个变量的联合分布函数，即Q = Q(s,a)。那么它的优点在于比较直观，但是缺点其实也有很多。比如，Action Space和State Space的维度可能会很高，那么Q表的存储和更新其实就很麻烦了。如果可以通过一种算法自动地学习Q(s,a)这个函数，至少无限逼近它，那么我们只要存储这个算法的一些参数和基本结构就可以了，很自然的，神经网络是一个非常有用的工具。多层神经网络加上非线性激活函数可以无限逼近任意函数分布。因此利用神经网络来代替Q表，Q-learning与DNN的结合，就形成了现在的深度强化学习。当然DNN的选择可以是MLP、RNN、CNN等等，这里统称为DNN。
在DeepMind最早的关于DQN的论文中，还有一些必须提到的概念，比如experience replay，也是其比较主要的trick。experience replay，所谓的经验回放，实际上是打破强化学习训练样本的一个连续性。该机制将每一步的State, Action, Reward以及Next-State以四元组的数据结构存储起来，并在训练的时候从中随机抽取一个mini-batch数量的四元祖用于更新神经网络的参数。以下是DQN论文中的算法的核心描述。

那么在之后DeepMind的一系列论文中，对DQN做出了一系列的改进，包括增加Target网络（这篇文章发在Nature Letter上，因此也称为Nature DQN），以及在此基础上的DoubDQN、Dueling-DQN等等这里就不再展开讲述了。有兴趣的朋友可行自行查阅相关的论文。

基于RL4j自定义State/Reward/Action

在之前介绍Cartpole的博客中，我们不需要自定义State/Reward/Action，这些数据都可以依赖Gym客户端来获取。由于编写强化学习的环境以及交互是一个非常繁琐的过程，因此很多的强化学习案例都会以Gym来作为获取环境数据的一个源。但是对于实际业务的一些RL问题，明确上下文环境，建立奖赏机制等是必须结合业务来定义的，因此我们需要结合框架来定义自己的RL问题以及试错学习的过程。我们在第一部分已经描述了需要建模的游戏。这里我们就结合这个游戏给出基于RL4j框架的RL问题的定义过程。
对于使用RL4j定义强化学习问题，我们至少定义两个类并分别实现org.deeplearning4j.rl4j.mdp.MDP和org.deeplearning4j.rl4j.space.Encodable这两个接口。MDP这接口定义的是马尔科夫决策过程的大框架，具体来说就是里面涉及的一些操作以接口的形式提供。我们来看下下面的截图。

每当agent选择一个action并执行后，我们都可以获取一个Reply，也就是截图里的StepReply，其中包含了下一步的state以及获取的reward。我们来看下如何定义上文提到的游戏的MDP环境。

我们定义一个GameMDP的类来实现MDP接口，截图里包含了我们定义的一些成员变量。其中比较重要的是actionSpace和observationSpace这两个对象。我们定义游戏中的agent只能采取上/下/左/右这四种action，因此这是一个典型的离散的action space。我们直接声明一个维度为4的DiscreteSpace的对象即可。DiscreteSpace其实是实现了ActionSpace接口的一个实现类，它将具体的action映射成一个具体的整数。比如，上/下/左/右可以分别对应0/1/2/3。observationSpace，或者说是state space是用来定义RL问题中的状态空间。我们事先需要声明一个满足我们游戏的自定义State，也就是截图里的GameState类。这个类的的功能就是记录当前agent所处的状态，具体对于我们的游戏来说，其实就是agent所处的位置或者说坐标。我们看下它的实现。

@Getter
@Setter
public class GameState implements Encodable{
	
	private double x;
	private double y;
	
	public GameState(double x, double y){
		this.x = x;
		this.y = y;
	}
	
	@Override
	public double[] toArray() {
		double[] ret = new double[2];
		ret[0] = x;
		ret[1] = y;
		return ret;
	}

}

这个类的实现很清晰，就是记录下当前agent的(X,Y)坐标。其中toArray的方法用于以数组的形式返回当前的state，其实也就是返回模型输入的特征，这个后面会说明。我们再回到上面GameMDP的定义中observationSpace的定义，这个对象并不是用来存储GameState，它的主要作用是记录GameState返回的特征的shape，这里就是(X,Y)坐标构成的长度为2的向量的shape，也就是1*2。GameMDP中其他的一些成员变量，如：traps是用来存储陷阱的位置的，curState用来记录当前的位置，trace主要服务于日志用于记录agent移动的轨迹，reward和step分别是到目前为止获得回报以及走的步数。下面看下GameMDP一些主要方法的实现。首先是isDone。

isDone的实现直接关系到训练和预测阶段游戏是否结束。这里我们考虑两种状态会结束游戏。一个是掉入陷阱，一个是成功救到公主。我们再看reset方法的实现。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gdmgDhM4-1576650131879)(…/RL4j/GameMDP-reset-define.jpg)]
reset方法就是重置整个游戏，具体来说就是当游戏结束的时候，重新初始化agent的位置。这里我们通过随机数生成的方式给agent随机生成X,Y的坐标，因此不管是在训练还是在实际玩游戏的时候，每一次游戏的执行agent的位置都是随意的。到这里，我相信是有很多疑问的。比如，为什么每次reset都是取随机的位置，而不是固定一个位置，比如(0,0)这样一个特殊的起始位置。还有isDone的实现，为什么不可以将移动出边界也算是游戏结束呢。这里我们先不多做解释，在下一个部分会给出我们的看法和解释。最后我们来看下step方法的实现。

之前说过，step方法需要做的是在agent执行完某一步后，给到的reward和下一步的state。对于算法生成的action(默认采用epsilon-greedy算法)，我们执行完之后，可以获取当前的state，也就是游戏中agent的坐标，并更新curState对象内存储的坐标的具体值。如果执行完这个action后，agent移动出了棋盘，那么我们人为做下调整，将其反向移动一个位置。最后，根据最新状态，判断是掉入陷阱、救到公主、出界还是一般移动我们给出reward的策略。可以看到，只有救到公主是加分，其他都有不同程度的扣分。最后我们在trace对象中做下记录，并且更新当前步数然后构建StepReply对象并返回。到此，GameMDP类的实现就基本完成了。

DQN模型训练

在上面的部分中我们结合游戏的实际情况定义的RL的相关内容，比如游戏的状态，游戏中agent可以采取的action以及奖赏机制等等。总的来说，这里的RL问题是基于MDP框架来实现。那么定义好这些环境相关的信息后，我们给出DQN建模的相关逻辑。

public static QLearning.QLConfiguration QL_CONFIG =
        new QLearning.QLConfiguration(
                123,   	//Random seed
                30,	//Max step Every epoch 批次下最大执行的步数
                100*2000, //Max step            总执行的部署
                100*2000, //Max size of experience replay 记忆数据
                40,    //size of batches
                10,   //target update (hard) 每10次更新一次参数
                0,     //num step noop warmup   步数从0开始
                0.01,  //reward scaling
                0.9,  //gamma
                1.0,  //td-error clipping
                0.1f,  //min epsilon
                100,  //num step for eps greedy anneal
                false   //double DQN
        );

public static DQNFactoryStdDense.Configuration DQN_NET =
        DQNFactoryStdDense.Configuration.builder()
                .updater(new Adam(0.001))
                .numLayer(2)
                .numHiddenNodes(16)
                .build();

以上两个对象的定义用于确定DQN网络的结构以及相关的超参数设置。这里对部分关键超参数做一些说明。在QLConfiguration的入参中，有maxEpochStep、maxStep、expRepMaxSize（分别设置成30、100x2000、100x2000）这几个参数，其中maxEpochStep表示的是在一轮模型训练中，agent可以执行的step的步数，maxStep表示在整个训练过程中agent可以执行的总的步数，expRepMaxSize则表示experience reply的总数据量。因此，maxStep / maxEpochStep就是理论上的训练轮次，实际轮次可能会更多，因为部分轮次会提前结束。targetDqnUpdateFreq这个参数（我们取的是40）指的是更新目标网络的频次。在第二部分回顾DQN的相关内容的时候，我们提到过DQN、Nature DQN、Double DQN以及Dueling DQN这些概念。其中除了DQN，其他都含有target网络，换言之模型中其实有两个神经网络，而DQN只有一个。因此这个参数的作用指的就是更新target网络的频次。如果最后一个入参是false，那么其实这个频次没什么实际作用（虽然底层实现的时候，默认还是会去更新，但是不参与实际的预测了），否则这个参数将决定target网络的参数情况。第二个对象定义的是神经网络结构，这里用的就是一个普通的两层的每层含有16个神经元的全连接网络，优化器用的Adam。这个应该没什么特别。需要注意的是，如果你用Double DQN，那么target网络的结构和它是一模一样的，只是模型参数不同，底层实现的时候clone一下就可以了。下面看下训练的逻辑。

public static void learning() throws IOException {

    DataManager manager = new DataManager();

    GameMDP mdp = new GameMDP();

    QLearningDiscreteDense<GameState> dql = new QLearningDiscreteDense<GameState>(mdp, DQN_NET, QL_CONFIG, manager);

    DQNPolicy<GameState> pol = dql.getPolicy();

    dql.train();

    pol.save("game.policy");

    mdp.close();

}

这部分和之前Cartpole问题的建模逻辑基本是一致的，我就不多解释了，有需要的可以看之前的博客。
那么调用这个方法我们就可以训练这个DQN模型，并且将模型的相关信息，包括环境参数等信息保存在game.policy这个二进制文件中，具体底层通过序列化来实现。以下是训练日志。

下面的章节我们尝试来玩下这个游戏。

游戏效果与说明

在上面一部分建模结束的基础上，我们编写了游戏的一些效果。如果是基于Java Swing做一个游戏界面，这个在第一部分中就有提及。我们每次会给agent（樱木花道的图片）一个随机的初始位置，然后根据DQN的输出来决策当前状态下采取的行动，也就是往上/下/左/右走。执行完这个action后，我们判断下究竟是掉入了陷阱还是救到了公主还是普通的行走，然后再采取下一步的action，如果掉入陷阱或者救到了公主，那么我们会提示游戏结束，并且reset整个游戏，否则就是agent在游戏界面上继续移动。我们给出核心的逻辑。

public static void main(String[] args) throws IOException, InterruptedException {
	//learning();
	GameMDP mdp = initMDP();
	GameBoard board = initGameBoard(mdp);
	//
	boolean success = false, trap = false;
	DQNPolicy<GameState> policy = DQNPolicy.load("game.policy");
	while( true ){
		Point p = playByStep(mdp ,policy);
		board.shiftSoilder(p.getX(), p.getY());
		//
		success = isSuccess(mdp);
		if( success ){
			board.dialog("成功救到公主", "Game Over");
			board = initGameBoard(mdp);
		}
		trap = isTraped(mdp);
		if( trap ){
			board.dialog("掉入陷阱", "Game Over");
			board = initGameBoard(mdp);
		}
		//
		Thread.sleep(1000);
	}
	//
}

这个就是整个游戏的核心逻辑。我们首先初始化一个MDP环境以及游戏界面。然后加载预训练好的DQN模型以及相关环境参数。接着，我们基于DQN给出的决策，也就是在不同state下的action，将agent在界面上进行移动，根据移动后的状态给出游戏的状态。下面给出我录制的视频。
视频文件已经上传

DQN迷宫游戏效果

视频里我已经给出了一些说明，这里再讲解一下。经过训练之后，agent大体上是可以不断向着目标，也就是右下角公主的那个坐标不断靠近的。如果不经过训练，那么结果很可能是agent在界面随机上下左右胡乱行动。至于为什么依然会有踩到地雷的情况，主要是因为每次踩到地雷后，整个训练其实是会结束的，也就是上面提到的isDone方法的那个实现。这个设计的结果是，在训练过程中，踩到地雷之后训练就立即结束无法学习到后续的一个情况，因此可以考虑在训练的时候踩到地雷依然继续执行，但是预测的时候终止，这样由于踩到地雷的reward是-1，是比较大的一个惩罚，因此理论上可以让模型学习到这样的走法是不好的，从而避开地雷。

调优相关

DQN网络的调优是一个比较麻烦的事情，因为其涉及神经网络本身的调优以及MDP框架下参数的一些调优。

• 奖赏机制的调优
• 单轮最大执行次数的调优
• batchsize的调优
• agent初始化位置最终效果的影响

大概先列这几项并做些说明。
第一个是奖赏机制。我们对于掉入陷阱的是-1的激励，救到公主的是+1的激励，其余出界或者正常移动的是-0.2和-0.1的激励。可以看到，除了就到公主是正激励，其余都是大小不等的负激励。需要特别注意的是，正常移动也是给的负激励，而不是正激励，这是因为我们其实并不鼓励agent的随意走动。如果正常移动都给与正激励，那么极端情况下agent可以在原地来回走一段时间，这样不利于模型的收敛，因此正常移动给予负激励或者0激励。

第二个单轮最大执行次数。这个参数的主要目的是约束agent在每一轮执行action的次数。如果在试错的过程中，已经达到甚至超过了这个参数的值，那么就会结束本轮的训练。因此极端情况，我们设置一个很小的数值，比如说1，那么agent永远到不了目的地，所以这样的训练是没有意义的。而如果设置得过大，那么容错的余地会很大，agent可能会在“闲逛”很长一段时间才到终点，因此模型的收敛速度会比较慢，但是最终理论上是会收敛的。所以最好设置一个相对合理的值，这里设置成30，50，100都可以尝试。

第三个是batchsize的大小。这个参数一开始我设置成8，16这样比较小的值。但是这样会有些问题。因为实际DQN在训练过程中取的是experience replay机制下存储的过往的经验数据，而每次我们的可能会需要移动20甚至30步才会到终点，因此理论上batchsize中的样本应该覆盖这30种情况，即不要小于单轮次的最大步数，取一到两倍的整数倍即可。这里取的40 ，就接近于一倍。

第四个是agent初始化位置的问题。实际我们在每一轮训练或者说每一次play的过程中，初始化位置可以定位在一个固定的位置，比如左上角（0，0）的位置，但我们的选择是每次随机初始化一个位置。如果每次固定在左上角，那么相应的，agent走到终点的步数肯定会增加，这样单轮最大执行次数如果还是30可能收敛得很慢甚至不收敛，这个参数肯定需要增加。另外，左上角位置的初始化方法相对比较容易掉到陷阱中。

总结

最后我们做下总结。我们基于RL4j自定义了一个简单游戏的强化学习过程，具体可以分为自定义MDP，自定义RL的state以及自定义reward和训练过程。从最终的效果看，agent确实学习到了如何成功达到目的地的移动方法，但仍然有一定的几率会落到陷阱中。通过这个简单的案例，希望可以帮助有需要的同学了解如何基于RL4j建立和自身业务相关的强化学习算法。这些业务不仅限于游戏，推荐、广告、搜索等互联网场景，工控软件、工业机器人等制造业场景同样可以尝试。
需要注意的是，RL4j 1.0.0-beta5之前的版本中抽象类org.deeplearning4j.rl4j.policy.Policy存在一些问题，所以需要依赖最新的1.0.0-beta6或者1.0.0-SNAPSHOT的版本。我们最后把这个依赖也贴一下。
1.0.0-SNAPSHOT：https://deeplearning4j.org/docs/latest/deeplearning4j-config-snapshots
1.0.0-beta6：

<dependency>
    <groupId>org.deeplearning4j</groupId>
    <artifactId>rl4j-core</artifactId>
    <version>1.0.0-beta6</version>
</dependency>

所有代碼已經托管到Github：https://github.com/AllenWGX/RL4j-Demos.git